1、第 卷，第期 光谱学与光谱分析 ，年月 ，基于高光谱成像技术识别番茄干旱胁迫贺露，万莉，高会议安徽大学，安徽 合肥 中国科学院合肥物质科学研究院，安徽 合肥 摘要番茄果实营养丰富备受人们喜爱。番茄生长周期长，需水量大，水分含量是影响番茄植株生长发育的主要因素；快速发现番茄植株水分亏缺状态，对于科学有效地进行番茄的灌溉管理，保障和提高番茄的产量和品质具有重要意义。利用高光谱成像技术，实时识别番茄叶片干旱胁迫程度，提出了一种基于高光谱成像技术的番茄叶片干旱胁迫的识别方法。首先，选取红樱桃番茄为实验品种，在室内培养 盆番茄幼苗。在保证其他管理措施相同的基础上，通过控制施水量来控制番茄的胁迫状态，干旱
2、胁迫程度设计个处理（适宜水分、中度和重度胁迫）。分批次采集不同干旱程度番茄幼苗嫩叶在 范围的高光谱图像，并提取了每个样本的光谱和纹理特征。使用标准化（）、多元散射校正（）、一阶导数（）和标准正态变量变换（）四种预处理方法对光谱数据进行预处理去除光谱中的噪声。使用连续投影算法（）、竞争性自适应重加权算法（）以及竞争性自适应重加权算法结合连续投影算法（）选取光谱重要特征波段，用灰度梯度共生矩阵（）提取番茄叶片的纹理特征，用 选择纹理特征的重要变量。融合重要光谱特征与重要纹理特征结合支持向量机（）构建识别番茄干旱胁迫模型，同时选用自适应增强算法（）与近邻（）与 模型对比。结果表明，融合重要光谱特征与
3、重要纹理特征后，基于 波长选择的 模型具有最好的分类效果，训练集的分类准确度（）为 ，预测集的分类准确度（）为，模型分类效果次之 为 ，为，模型分类效果最差 为 ，为。因此，该方法对番茄叶片干旱胁迫程度实时识别有较好的效果，可为构建智能化的干旱胁迫分析技术提供参考。关键词高光谱成像；番茄；干旱胁迫；图谱特征中图分类号：文献标识码：（）收稿日期：，修订日期：基金项目：安徽省重点研究与开发计划项目（），国家自然科学基金项目（）资助作者简介：贺露，女，年生，安徽大学硕士研究生 ：万莉，女，年生，中国科学院合肥物质科学研究院工程师 ：贺露，万莉：并列第一作者通讯作者 ：引言番茄是一年生或多年生草本植物
4、，番茄果实营养丰富，含有糖、有机酸、维他命等对人体有益的营养物质，可以生吃、煮熟、加工番茄酱等。番茄原产于南美洲，目前在中国广泛栽培，中国番茄产量位居全球第一，年西红柿产量全球占比达到 。番茄的生长发育对水分要求较高，适宜的水分能促进番茄的产量和品质，番茄缺水会导致番茄硬度增加影响口感，同时引起番茄脐腐病发病率升高产量降低。传统的检测番茄是否出现水分亏缺方法是人工检测，根据种植经验进行判断，耗时久、成本高。由于叶片表现是植株水分亏缺的最直接证据，因此通过高光谱成像结合叶片纹理特征分析番茄叶片，能够快速判断整个植株状态，评估植株干旱程度，对于番茄灌溉管理给予一定的指导。高光谱图像中有大量的图像与
5、光谱信息，具有快速、高效和无损的特点，近年来被广泛应用于检测农产品，如用高光谱成像检测橙子可溶性固形物含量、黄瓜种子水分含量的快速预测与可视化、马铃薯氮胁迫程度分类和涂层玉米识别等。在对番茄研究中，夏吉安等人利用云计算技术在不同浇水处理下对两个品种番茄进行水分胁迫分类，对于采集的番茄光谱使用不同模型进行全波段及特征波段对比分析，结果表明全波段光谱的分类精度高于选择特征波段的分类精度，利用云计算的 模型分类精度最高，两个品种的番茄模型分类精度为 和 。王松磊等利用近红外高光谱快速诊断番茄叶片含水量及其分布，基于 模型在选取特征波长后预测效果最佳，预测集相关系数为 ，为 ，可视化效果证明 色带对叶
6、片水分含量可视化表征性较好。黄玉萍等人对基于空间可分辨光谱的番茄成熟度分类判别方法进行了实验研究，用自行开发的多通道高光谱成像探头采集番茄的空间可分辨光谱（），基于 模型的番茄成熟度总体分类正确率为 。但是目前有关利用高光谱成像技术识别番茄干旱胁迫的研究仍较少，融合叶片图像特征与光谱特征识别番茄干旱胁迫程度的研究更少见报道。研究针对盆栽番茄幼苗适宜水分叶片、中度干旱胁迫叶片和重度干旱胁迫叶片，利用高光谱成像技术和机器学习方法融合叶片图像特征与光谱特征对番茄干旱胁迫进行分类识别，构建最佳分类模型，实时识别番茄叶片干旱胁迫程度，以期为番茄早期干旱胁迫提供一种新的快速无损方法。实验部分 样本采用的是
7、红樱桃番茄幼苗，同批次在室内盆栽种植，共培养 盆红樱桃番茄幼苗。由于氮磷钾等营养物质的影响主要表现在成熟叶片上，为了消除无关要素的影响，选取番茄幼苗期嫩叶为研究对象，分批次采集不同干旱条件下的幼苗期嫩叶高光谱图像。番茄的干旱状态是逐渐发生的，通过控制施水量来控制番茄的胁迫状态。通过土壤温湿度传感器测量土壤 含 水 率，设 置 适 宜 水 分（土 壤 含 水 率 为 ）、中度干旱（土壤含水率为）及重度干旱（土壤含水率为以下）种不同干旱处理，各处理的施肥时间、施肥量、管理措施相同。每种干旱条件各选取 片番茄嫩叶，共计选取 片叶片测定光谱数据。图像采集高光谱图像采集系统由高光谱仪（美国 公司生产）、
8、卤素灯、升降台、黑色 板和计算机组成。高光谱仪波长范围为 ，波段数为 个波段，焦距可调。实验台左右各放置一个功率为 的卤素灯，角度可调保证样本受光均匀。将样本盆栽放置升降台后，将目标叶片放置黑色 板上，目的是隔绝其他叶片对目标叶片造成的干扰。同时为了降低外界光线的影响，实验室处在一个黑暗的环境。叶片样本与镜头距离为 ，曝光值设为 。首先将高光谱仪器进行 的预热使光源稳定，后将样本放在升降台上进行图像获取。每个样本采集一张高光谱图像，共采集 张高光谱图像。采集图像之前，还需要对高光谱图像进行黑白板校正，减少暗电流、噪声、光照等不稳定因素的影响，如式（）所示。（）式（）中，为校正后番茄叶片图像反射
9、率；为原始图像反射率；为黑板图像反射率；为白板图像反射率。图谱特征提取对高光谱拍摄的番茄叶片选取感兴趣区域（，），并且提取 范围内平均反射率作为光谱特征。提取流程为：先对获取的图像进行格式转换得到灰度图像，通过均值处理转化为二值化图像然后进一步分割得到感兴趣区域，计算感兴趣区域叶片的平均反射率，以此作为目标叶片的光谱特征。对于番茄叶片，图像特征选择纹理特征，使用灰度梯度共 生 矩 阵（，）提取叶片的纹理特征。集中反映了图像中灰度与边缘的相互关系，分类效果要比仅用了图像灰度信息的灰度共生矩阵好，因为图像的主要信息就是由图像的边缘轮廓提供的。一共计算提取了十五个纹理特征量，分别是小梯度优势（）、大
10、梯度优势（）、灰度分布不均匀性（）、梯度分布不均匀性（）、能量（）、灰度平均（）、梯度平均（）、灰度方差（）、梯度方差（）、相关性（）、梯度熵（）、灰度熵（）、混合熵（）、惯性（）和逆差矩（），计算公式如式（）式（）?（，）（）?（，）（）?（，）?（，）（）?（，）?（，）（）?（，）?（，）（）?（，）（）?（，）（）?（，）（）（）?（，）（）（）?（，）（）（）（）?（，）（）?（，）?（，）（）第期贺露等：基于高光谱成像技术识别番茄干旱胁迫?（，）?（，）（）?（，）?（，）（）（）?（，）（）?（，）（）（）光谱去噪与变量选择高光谱图像采集过程中会有来自仪器与环境的干扰，获得的光谱
11、信号易存在噪声和基线漂移等干扰 ，为了提高信噪 比 与 模 型 分 类 准 确 性，采 用 标 准 化（，）、多 元 散 射 校 正（，）、一阶导数（，）和标准正态变量变换（，）四种光谱图像处理方法对光谱进行预处理。将数据按照比例缩放、平移，使数据落入一个小的特定区间内，它可以使光谱的每个特征对结果做出的贡献相同，便于下一步建模处理。用于消除因颗粒分布不均匀及颗粒大小产生的散射，修正光谱间的相对基线平移和数据校正，有效增强有用的光谱信息。，对光谱直接求一阶导数消除由基线漂移或平缓背景引起的干扰，提高数据分辨率和灵敏度。消除固体颗粒大小、表面散射以及光程变化对光谱的影响。使用的高光谱仪器采集 个
12、波段光谱数据，全波段数据有较多的冗余信息，利用连续投影算法（，）、竞争性自适应重加权算法（，）以及竞争性自适应重加权算法结合连续投影算法（）选取样本光谱的特征波段与纹理特征的重要变量。是一种使矢量空间共线性最小化的向前变量选择算法，通过循环产生合适的参数，建立多元线性回归，优势在于提取全波段的几个特征波段，能够消除原始光谱的冗余信息。是一种结合蒙特卡洛采样与偏最小二乘模型回归系数的特征变量选择方法，能有效选出最优波段组合。是两者联合方法，先用 筛选出部分特征波段，再用 对特征波段进行选择能进一步减少光谱冗余信息。同时在针对番茄叶片提取的 个纹理特征时也用到了 算法对特征变量进一步筛选，提高模型
13、分类准确率。分类建模方法，和被用于构建分类模型，实现番茄叶片干旱胁迫的分类。是一种基于统计学习理论的新型学习机，具有分类效果好、算法思想简单、运算速度快等优点常用于模式识别、分类以及回归分析。它的主要原理是通过某种事先选择的非线性映射将输入向量映射到一个高维特征空间，在这个空间中构造最优分类超平面，从而使正例和反例样本之间的分离界限达到最大，使得原本非线性可分的问题转化为在特征空间中线性可分的问题。是一种提升方法，它的主要优点是分类精度很高，不容易发生过拟合。主要原理是将多个弱分类器组合成强分类器，前一个弱分类器分错的样本的权值会得到增强，权值更新后的样本再次被用来训练下一个新的弱分类器，各个
14、弱分类器的训练过程结束后，误差率低的分类器在最终分类器中占的比例较大，反之较小，形成强分类器。是常见的分类技术之一，简单易于实现、精度高且对异常值不敏感，核心思想是在训练集中数据和标签已知的情况下，通过测量不同特征值之间的距离进行分类，而且在决策样本类别时，只参考样本周围个“邻居”样本的所属类别，未标记样本的类别由距离其最近的个“邻居”投票来决定，如果个“邻居”大多数属于某一个类别，那么该样本也属于这个类别。将番茄叶片样本分为类，水分适宜，水分中度胁迫和水分重度胁迫，定义标签分别为，。每类各 片番茄叶片，按照:划分为预测集与训练集，随机选取 个样本数据为训练集，个样本数据作为预测集。分类模型的
15、优劣是基于分类准确度（）进行评估，表示训练集的分类准确度，表示预测集的分类准确度。样本的划分、数据的处理以及建模分析均基于 软件（）实现。结果与讨论 光谱特征适宜水分、中度和重度干旱处理的番茄嫩叶的平均反射光谱如图所示。从图（）中可以看出不同水分处理的叶片的反射光谱曲线走势基本一致。在可见光区域番茄的反射率较低，曲线平滑。在 波长附近处叶片反射率急剧上升。在 波段和 波段处出现两个低反射区，在 波段处形成一个波峰，为高反射率区域。在 附近的波峰和 附近的波谷是番茄叶片叶绿素在可见光范围内的主要响应特征，叶绿素对红光和蓝光波段的吸收使绿光波段反射突出，不同程度的水分胁迫导致番茄叶片叶绿素含量和水
16、分含量不同。如图（）所示，在可见光波范围内，番茄嫩叶片反射率随着缺水程度增加而减少，这也是因为含水量越高叶片叶绿素含量越高，反射率也会增加。如图（）所示，在近红外光波范围内，番茄嫩叶片反射率随着缺水程度增加而增加，这与前人研究结果相同。整体来看适宜水分与中度干旱处理的番茄嫩叶反射率在 保持平坦，而后慢慢减少。而重度干旱处理的番茄嫩叶反射率在 都处于增加的状态，而后趋于平坦。这可能是缺水改变了细胞结构导致叶片形状发生改变，引起了反射光谱曲线的变化。这些光谱差异证明了使用高光谱成像技术识别番茄干旱程度的可行性。但是在 三类干旱胁迫的番茄叶片反射率曲线相近，在全波段光谱范围适宜水分与中度胁迫的反射率曲线极为相似，只存在反射率值的差别，仅仅依据光谱信息可能无法准确识别番茄干旱胁迫程度，需要对光谱数据进一步处理并且补充番茄叶片的纹理特征来提升模型的准确性。光谱学与光谱分析第 卷图不同水分处理番茄叶片平均光谱反射曲线（）、可见光波范围放大图（）、近红外光波范围放大图（）（），（），（）全光谱预处理分析光谱预处理算法与分类算法结合的分类结果如表所示。由表可知，四种不同的预处理方法对比原始光谱都能有效